文献

J-GLOBAL ID：201902245396031882   整理番号：19A0070116

物理学情報を用いたニューラルネットワーク:非線形偏微分方程式を含む順および逆問題を解くための深層学習フレームワーク【JST・京大機械翻訳】

Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations

著者 (3件)： Raissi M. (Division of Applied Mathematics, Brown University, Providence, RI, 02912, USA) ,  Perdikaris P. (Department of Mechanical Engineering and Applied Mechanics, University of Pennsylvania, Philadelphia, PA, 19104, USA) ,  Karniadakis G.E. (Division of Applied Mathematics, Brown University, Providence, RI, 02912, USA)
資料名： Journal of Computational Physics  (Journal of Computational Physics)
巻： 378  ページ： 686-707  発行年： 2019年 
JST資料番号： B0860A  ISSN： 0021-9991  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 一般的な非線形偏微分方程式によって記述された物理学の任意の法則を考慮しながら,教師つき学習タスクを解くために訓練された物理的に情報化されたニューラルネットワークニューラルネットワークを導入した。本研究では,問題の2つの主要なクラスを解決する文脈における著者らの開発を提示する。すなわち,データ駆動ソリューションと偏微分方程式のデータ駆動発見である。利用可能なデータの性質と配置に依存して,連続時間と離散時間モデルの2つの異なるタイプのアルゴリズムを考案した。最初のタイプのモデルは,データ効率的な時空関数近似器の新しいファミリーを形成し,一方,後者のタイプは,限られた数のステージを持つ任意の正確な陰的Runge-Kutta時間ステッピングスキームの使用を可能にする。提案したフレームワークの有効性を,流体,量子力学,反応拡散システム,および非線形浅水波の伝搬における古典的問題の収集を通して実証した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 浅水波 ,  関数近似 ,  *逆問題 ,  モデリング ,  *偏微分方程式 ,  アルゴリズム ,  連続時間系 ,  有効性 ,  *ニューラルネットワーク ,  教師つき学習
準シソーラス用語： 離散時間モデル ,  データ駆動 ,  情報化 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： データ駆動科学計算 ,  機械学習 ,  予測モデリング ,  Runge-Kutta法 ,  非線形動力学

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (8件)： 物理学 ,  ニューラルネットワーク ,  非線形 ,  偏微分方程式 ,  順 ,  逆問題 ,  深層学習 ,  フレームワーク